Apprendimento minimamente supervisionato su immagini satellitari a sub-metro rivela l'espansione degli slum durante la pandemia di COVID-19

Perché contano le ombre delle città

In tutto il mondo, centinaia di milioni di persone vivono in quartieri affollati con case fragili e scarso accesso ad acqua, servizi igienico-sanitari e servizi essenziali. Queste comunità sono spesso invisibili nelle statistiche ufficiali, rendendo difficile per governi e organizzazioni umanitarie pianificare interventi o monitorare i progressi verso obiettivi globali. Questo studio mostra come immagini satellitari moderne e intelligenza artificiale possano rivelare come tali insediamenti crescono e cambiano nel tempo, anche durante shock come la pandemia di COVID-19 e in risposta a progetti di riqualificazione urbana.

Vedere i quartieri nascosti dallo spazio

Gli autori si concentrano sugli slum, o insediamenti urbani degradati, dove i residenti affrontano abitazioni precarie e servizi di base limitati. I metodi tradizionali per contare gli abitanti degli slum si basano su indagini domiciliari, costose, lente e raramente abbastanza dettagliate da mostrare cosa accade all'interno di una città. I nuovi satelliti ad alta risoluzione, però, possono catturare dettagli fini come la forma dei tetti, la densità degli edifici e il fitto reticolo di strade che spesso indicano abitazioni informali. La sfida è trasformare questo flusso di dati di immagini in mappe affidabili e su larga scala senza impiegare anni per etichettare manualmente ogni pixel.

Addestrare i computer con pochissimi esempi

Per risolvere il problema, i ricercatori hanno costruito un sistema di visione artificiale chiamato SegSlum che impara a riconoscere gli insediamenti informali da foto satellitari in cui ogni pixel rappresenta circa 60 centimetri a terra. Invece di richiedere un'etichettatura umana esaustiva, hanno adottato un approccio «minimamente supervisionato»: esperti hanno etichettato con cura un set relativamente piccolo di immagini—circa il 3% del loro dataset—e il modello si è poi autoinsegnato su milioni di immagini non etichettate. Ha fatto questo in due passaggi principali. Primo, un modello iniziale ha imparato dagli esempi etichettati mentre veniva costretto a ignorare variazioni superficiali di illuminazione o colore tra le immagini. Poi questo modello ha creato etichette provvisorie sulle immagini non etichettate; un secondo modello è stato riaddestrato solo sulle etichette più affidabili, filtrando ipotesi instabili. Questo ha permesso al sistema di adattarsi a città, stagioni e sensori satellitari diversi mantenendo sotto controllo gli errori.

Monitorare i cambiamenti fra città e anni

Utilizzando SegSlum, il team ha analizzato quasi 2,8 milioni di tile di immagini satellitari provenienti da 12 grandi città in Africa, Asia e America Latina tra il 2014 e il 2024. Il modello si è dimostrato altamente accurato, corrispondendo da vicino a mappe di dettaglio a terra degli slum e superando modelli supervisionati più convenzionali. Con questo strumento, i ricercatori hanno potuto stimare come la quota di territorio urbano coperta dagli slum sia cambiata nel tempo, anche mese per mese. Contrariamente alle statistiche globali di UN-Habitat, che suggeriscono un lento declino della prevalenza degli slum, i risultati basati su satellite hanno mostrato un lieve aumento complessivo dell'area degli slum in queste città nel corso del decennio, e un chiaro aumento in nove delle dodici città durante il periodo di lockdown per il COVID-19. Combinando le mappe con griglie di popolazione e dati su ospedali, scuole e altre strutture, hanno anche riscontrato che più persone vivevano in queste aree mentre l'accesso medio ai servizi di base al loro interno peggiorava.

Effetti indesiderati delle «migliorie»

Lo studio ha inoltre esaminato cosa succede attorno a grandi progetti di sviluppo. In due città—Ulaanbaatar e Città del Capo—le autorità hanno lanciato programmi specifici per migliorare le aree degli slum, ad esempio sostituendo case fragili con alloggi più solidi o ristrutturando i tetti. Le mappe di SegSlum hanno mostrato che, mentre le condizioni miglioravano all'interno dei siti di progetto, gli insediamenti informali nelle vicinanze si sono effettivamente espansi, talvolta fino a diversi chilometri di distanza. Questo suggerisce che strade migliori, servizi e alloggi pubblici possano attirare nuovi residenti a basso reddito nelle periferie circostanti, diffondendo l'informalità invece di eliminarla. Al contrario, grandi progetti di trasporto o immobiliari a Nairobi e Mumbai che non miravano a condividere benefici con i residenti esistenti non hanno mostrato lo stesso tipo di espansione locale, sebbene possano aver spinto persone verso aree più distanti e non osservate.

Collegare i tetti alla povertà

Poiché SegSlum produce un punteggio che misura quanto un'area assomigli a un insediamento informale, gli autori hanno testato se questi punteggi si allineano con misure indipendenti di povertà, come indagini nazionali sulla ricchezza e conteggi ufficiali della povertà. Nella maggior parte delle città per cui tali dati erano disponibili, i punteggi degli slum si sono correlati più fortemente con la privazione rispetto agli indicatori economici satellitari ampiamente usati come le luci notturne. Questo significa che, sebbene il metodo non possa cogliere tutte le dimensioni del disagio, può aiutare a segnalare i quartieri che probabilmente sono in difficoltà, supportando valutazioni più dettagliate sul terreno.

Cosa significa per le città del futuro

Per i non specialisti, la conclusione principale è che ora possiamo usare immagini satellitari di routine e un relativamente modesto sforzo umano per creare mappe dettagliate e aggiornate regolarmente degli insediamenti informali in tutto il mondo. Queste mappe rivelano che le aree di slum nelle città analizzate non si sono ridotte e che, durante la crisi COVID-19, spesso sono cresciute mentre l'accesso ai servizi è diminuito. Mostrano anche che progetti di riqualificazione ben intenzionati possono avere effetti collaterali, spostando la povertà anziché eliminarla. Pur avendo limiti—vedono principalmente ciò che rivelano tetti e pareti, non problemi invisibili come la qualità dell'acqua o i diritti di proprietà—offrono una nuova lente potente sulle disuguaglianze urbane. Usati con cura ed eticamente, strumenti del genere potrebbero aiutare pianificatori e comunità a monitorare i quartieri vulnerabili, progettare politiche più inclusive e verificare se gli investimenti cittadini migliorano veramente la vita o si limitano a nascondere il disagio.

Citazione: Yang, J., Park, S., Kim, H. et al. Minimally supervised learning on sub-meter satellite imagery reveals slum expansion during the COVID-19 pandemic. Commun. Sustain. 1, 52 (2026). https://doi.org/10.1038/s44458-026-00054-6

Parole chiave: mappatura degli slum, immagini satellitari, povertà urbana, deep learning, insediamenti informali